Dans le secteur manufacturier moderne, un contrôle qualité stable est crucial pour la compétitivité d’une entreprise. À mesure que les processus de fabrication deviennent de plus en plus complexes, les méthodes traditionnelles ne sont plus capables à elles seules d’identifier efficacement les problèmes de qualité cachés. Pour résoudre ce défi, les outils avancés d’analyse des données sont devenus un outil puissant pour les ingénieurs qualité.
Cet article explorera en réalité un cas industriel : comment résoudre des problèmes de qualité complexes grâce à des méthodes et des outils analytiques, couvrant l'ensemble du processus, depuis l'exploration des données préliminaires jusqu'à la prise de décision finale.
Contexte du problème
Une entreprise manufacturière a découvert au cours du processus de fabrication que la qualité de deux matières premières clés (Composé 1 et Composé 2) fluctuait considérablement, affectant la cohérence et la fiabilité du produit. Une analyse préliminaire montre que cette fluctuation pourrait être liée à des différences dans les processus de production des fournisseurs de matières premières. Comment découvrir les causes profondes des fluctuations de qualité et formuler des stratégies de contrôle correspondantes est la question centrale actuelle.
Afin de comprendre le problème en profondeur, l’équipe a décidé de procéder à une analyse multi-angles des données, comprenant les quatre niveaux suivants :
- Les cartes de contrôle surveillent la qualité des matières premières : évaluez s'il existe des fluctuations causées par des raisons particulières.
- Analyse comparative des fournisseurs : Identifier les différences de processus des différents fournisseurs et leur impact.
- Évaluation de la capabilité du processus : Mesure la stabilité et l'adéquation du processus de production.
- Analyse statistique multivariée : recherche d'associations potentielles entre plusieurs variables.
Vérifier la distribution normale avant l'analyse
Avant d'analyser les données, l'équipe s'est rendu compte que de nombreux outils de qualité supposent que les données proviennent d'une distribution normale. Si cette hypothèse n’est pas respectée, les résultats basés sur la moyenne et l’écart type ne seront pas significatifs. Par conséquent, l’équipe a confirmé grâce à l’analyse de la distribution que les données du composé 1 et du composé 2 étaient conformes à la distribution normale.
Figure 1 : Vérification de la normalité
Cartes de contrôle et stabilité des processus
Figure 2 : carte de contrôle
L'équipe utilise des outils de cartes de contrôle pour analyser plus en détail les problèmes de qualité. La carte de contrôle délimite la plage à travers la limite supérieure (UCL), la ligne centrale et la limite inférieure (LCL), qui sont utilisées pour distinguer la variation ordinaire de la variation spéciale. Des actions sont souvent nécessaires pour éliminer les variations idiosyncrasiques tout en quantifiant les variations communes afin de déterminer la capacité du processus.
Dans une carte de contrôle :
- Si les points générés par les données du processus sont répartis de manière aléatoire dans les limites de contrôle, cela signifie que le processus est stable (seules des variations ordinaires existent).
- Si le point sort des limites de contrôle, cela indique l’existence d’une variation particulière.
Les résultats montrent :
- Tous les points de la carte XBar se situent dans les limites de contrôle et sont distribués de manière aléatoire, indiquant que le processus est stable .
- Le lot 10 dans la carte R dépasse les limites de contrôle et présente une variation particulière .
Indice de capacité du processus
Cp mesure le rapport entre la plage de spécifications et la largeur de la distribution du processus, tandis que Cpk prend en compte en outre l'emplacement du centre de processus par rapport aux limites de spécification. Cpk ≥ 1,33 est généralement requis comme norme minimale.
- Carte de contrôle du Composé 1 : Tous les points se situent dans les limites réglementaires et la répartition des points est aléatoire, indiquant que le processus est contrôlé et stable. Mais la carte R montre que le lot 10 se situe en dehors des limites réglementaires, ce qui indique la présence d'une variation due à une cause particulière. La valeur Cpk est de 0,740 et la valeur Cp est de 0,805, ce qui indique que le composé 1 est instable et a une large plage au sein du groupe et ne peut pas répondre aux spécifications.
Figure 3 : composé 1 Cartes de contrôle et indicateurs de capabilité des processus
- Graphique de contrôle pour le composé 2 : Le graphique XBar montre que le lot 11 se situe dans la zone rouge, indiquant que le processus est incontrôlé et instable. Le tracé R montre que le lot 5 se situe en dehors des limites réglementaires, ce qui indique la présence d'une variation due à une cause particulière. La valeur Cpk est de 1,005 et la valeur Cp est de 1,154, ce qui indique que le composé 2 est instable et ne peut pas répondre aux spécifications.
Figure 4 : composé2Cartes de contrôle et indicateurs de capabilité des processus
Analyse des fournisseurs
Après avoir découvert des variations de processus spécifiques pour deux composés, l'équipe s'est ensuite concentrée sur l'exploration de ces variations du point de vue du fournisseur. Afficher côte à côte les cartes de contrôle de chaque fournisseur permet de comprendre visuellement les sources de variation grâce à des graphiques.
圖 5: Composés regroupés par fournisseur 1 et composés 2 carte de contrôle
Comme le montre la figure 5, les résultats montrent que le fournisseur A présente une plus grande variation d'un lot à l'autre que le fournisseur B, mais que le fournisseur A est stable pour les deux composés, tandis que le fournisseur B présente une variation particulière dans le composé 1, ce qui entraîne une variation.
Cartes de contrôle multivariées basées sur un modèle(MDMVCC)
Utilisez des cartes de contrôle multivariées basées sur un modèle pour surveiller plusieurs paramètres de processus. Ce type de carte de contrôle est construit sur la base de composants principaux ou de modèles de moindres carrés partiels et est utilisé pour détecter les instabilités multidimensionnelles qui peuvent être négligées lorsque chaque dimension est surveillée indépendamment. De plus, les utilisateurs peuvent explorer de manière interactive pour analyser la contribution de variables individuelles au signal global.
圖 6:fournisseur A 和 B Cartes de contrôle multivariées pilotées par modèle
Comme le montre la figure 6, la valeur T² du fournisseur A se situe dans la plage de contrôle, mais le fournisseur B présente une instabilité évidente dans les lots 9, 10 et 11.
Analyse de la capabilité du processus
L'analyse de la capabilité d'un processus évalue les performances d'un processus par rapport aux limites des spécifications. Un processus stable doit toujours produire des produits conformes aux spécifications.
圖 7:fournisseur A composé 1 et composés 2 Rapport détaillé sur la capacité du processus
圖 8:fournisseur B composé 1 et composés 2 Rapport détaillé sur la capacité du processus
圖9: fournisseur A composé 1 et composés2 Buts de l'intrigueet graphiques de performances des processus
圖10: fournisseur B composé 1 et composés2 Buts de l'intrigueet graphiques de performances des processus
Observations：
- Les deux composés du fournisseur A sont conformes aux spécifications, mais la capacité du processus est médiocre et il n'y a pas de différence significative entre les variations à long terme et à court terme.
- Le composé 2 du fournisseur B est conforme aux spécifications mais a des capacités de traitement légèrement insuffisantes, tandis que le composé 1 est conforme aux spécifications et a de meilleures capacités de traitement que le composé 2, mais il semble que la variation à long terme et la variation à court terme soient significativement différentes.
Prise de décision après analyse
Après avoir détecté une variation de cause particulière dans la matière première, l'équipe a décidé de prendre les mesures suivantes :
- Introduction d'outils de surveillance : Il est recommandé aux fournisseurs d'utiliser des cartes I&MR et des cartes de contrôle multivariables pour surveiller en permanence la qualité des matières premières et les paramètres clés du processus.
- Augmenter la fréquence de détection : augmenter la fréquence d'analyse de la qualité des matières premières ; afin de résoudre le problème des méthodes de détection existantes trop lentes, une méthode de chromatographie liquide à ultra haute performance (UHPLC) a été développée pour une détection rapide et réduire les goulots d'étranglement des données.
- Optimiser le processus de mesure : améliorez le programme de mesure existant, réduisez le risque d'erreur causé par un écart de mesure élevé et jetez les bases de l'automatisation ultérieure du processus.
- Amélioration orientée vers les objectifs : utilisez le diagramme d'objectifs pour évaluer la stabilité et les capacités globales du processus afin de garantir que toutes les mesures d'amélioration sont centrées sur les objectifs de qualité fondamentaux.
résumé
L’objectif des ingénieurs qualité est d’atteindre l’excellence en fabrication. L'identification et le contrôle continus des sources de variation des processus constituent une responsabilité importante du service qualité. En intégrant le contrôle qualité dans les processus, nous augmentons non seulement la flexibilité, mais garantissons également que les besoins en produits et services sont satisfaits.
En particulier, ce cas utilise les principales fonctions JMP suivantes pour vous aider à identifier la variabilité de différents matériaux grâce à l'analyse des données, y compris, mais sans s'y limiter :
- La distribution peut afficher intuitivement la distribution des données, ainsi que plusieurs plates-formes de qualité et de processus,
- Control Chart Builder peut vous aider à comprendre intuitivement la source de variation
- Les cartes de contrôle multivariées MDMVCC peuvent être utilisées pour surveiller plusieurs paramètres de processus
- La plateforme Process Capability analyse les capacités et la stabilité des processus, et utilise le diagramme d'objectifs et les graphiques de performances des processus pour combiner les variations et les capacités. Elle convient aux scénarios qui nécessitent la surveillance d'un grand nombre de processus.
Si vous souhaitez appliquer une analyse et des outils statistiques scientifiques, ce cas fournit une solution systématique à des problèmes de qualité complexes. Tout au long du processus, le contrôle statistique du programme (SPC) et l'analyse de la capacité du processus ont joué un rôle clé en aidant l'équipe à identifier efficacement les causes particulières des fluctuations et à optimiser le processus de production.
Atteindre une excellente qualité de fabrication nécessite une optimisation continue des processus et un contrôle de la qualité. En construisant un processus de production stable et de grande capacité, nous pouvons non seulement réduire les taux de défaillance des produits, mais également améliorer considérablement la compétitivité de l'entreprise sur le marché.
Si vous recherchez également une solution de gestion de la qualité qui vous convient, vous souhaiterez peut-être cliquer sur le lien suivant pour obtenir plus de ressources d'apprentissage :
